能力标签

🔌 MCP 🤖 Agent 🔄 工作流 👁 OCR 💻 CLI 📚 RAG 🧠 Claude ✨ GPT

⚙️

Agent工作流

开源AI工作流：OpenKB

基于 Python · 无代码搭建完整 AI 自动化流程

英文名：OpenKB

⭐ 1.9k Stars 🍴 205 Forks 💻 Python 📄 Apache-2.0 🏷 AI 7.5分

7.5AI 综合评分

workflowagentsaiknowledge-basellmragpython

⬇ 下载源码 ZIP ⚙️ 配置说明

✦ AI Skill Hub 推荐

经 AI Skill Hub 精选评估，开源AI工作流：OpenKB 获评「推荐使用」。已获得 1.9k 颗 GitHub Star，这款Agent工作流在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 7.5 分，适合有一定技术背景的用户使用。

📚 深度解析

开源AI工作流：OpenKB 是一套完整的 AI Agent 自动化工作流方案。随着 AI 能力的不断提升，基于 Agent 的自动化工作流正在成为提升个人和团队效率的核心方式。区别于传统的 RPA 自动化（模拟鼠标键盘操作），AI Agent 工作流通过理解任务意图、动态规划执行路径，能够处理更复杂的非结构化任务。

开源AI工作流：OpenKB 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。

在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。

📋 工具概览

OpenKB是开源的AI工作流，基于Open LLM Knowledge Base，提供了一个可扩展的知识库，支持多种AI模型和应用。它的价值在于提供了一种灵活的和可定制的AI工作流解决方案，能够帮助开发者快速构建和部署AI应用。

开源AI工作流：OpenKB 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

GitHub Stars

⭐ 1.9k

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

正常维护，社区驱动

开源协议

Apache-2.0

AI 综合评分

7.5 分

工具类型

Agent工作流

Forks

205

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

📌 核心特色

可视化 Agent 工作流编排，无需编写复杂代码
支持多步骤自动化任务链，实现全流程无人值守
与外部 API、数据库和第三方服务无缝集成
内置错误处理与自动重试机制，保障稳定运行
提供可复用的自动化模板，快速在同类场景部署

🎯 主要使用场景

自动化日常重复性工作，将精力集中于创造性任务
构建数据采集 → 处理 → 输出的完整自动化管线
实现跨平台、跨系统的数据流转和业务协同

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：pip 安装（推荐）
pip install openkb

# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install openkb

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/VectifyAI/OpenKB
cd OpenKB
pip install -e .

# 验证安装
python -c "import openkb; print('安装成功')"

📋 安装步骤说明

访问 GitHub 仓库获取工作流文件
在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
上传工作流文件
按照提示配置必要的环境变量和 API Key
运行测试确认流程正常后投入使用

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 命令行使用
openkb --help

# 基本用法
openkb input_file -o output_file

# Python 代码中调用
import openkb

# 示例
result = openkb.process("input")
print(result)

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

# openkb 配置文件示例（config.yml）
app:
  name: "openkb"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
openkb --config config.yml

# 或通过环境变量配置
export OPENKB_API_KEY="your-key"
export OPENKB_OUTPUT_DIR="./output"

📑 README 深度解析真实文档完整度 65/100 查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

Does the description actually fire when it should?

openkb skill eval karpathy-thinking --save

🚀 Getting Started

Install

pip install openkb

<details> <summary><i>Other install options</i></summary>

Latest from GitHub:

  pip install git+https://github.com/VectifyAI/OpenKB.git

Install from source (editable, for development):

  git clone https://github.com/VectifyAI/OpenKB.git
  cd OpenKB
  pip install -e .

</details>

🧱 Wiki Foundation — compile and maintain

Command	Description
`openkb init`	Initialize a new knowledge base (interactive)
<code>openkb add <file_or_dir_or_URL></code>	Add documents and compile to wiki. URL ingest auto-detects PDF (saved as `.pdf` → PageIndex / markitdown) vs HTML (trafilatura main-content extract → `.md`)
<code>openkb remove <doc></code>	Remove a document and clean up its wiki pages, images, registry, and PageIndex state (use `--dry-run` to preview, `--keep-raw` / `--keep-empty-concepts` to retain artifacts)
`openkb watch`	Watch `raw/` and auto-compile new files
`openkb lint`	Run structural + knowledge health checks
`openkb list`	List indexed documents and concepts
`openkb status`	Show knowledge base stats
<code>openkb feedback ["msg"]</code>	File feedback by opening a prefilled GitHub issue (use `--type bug/feature/question` to tag the issue)

Quick Start

```bash

⚙️ Usage

OpenKB commands fall into two layers: the wiki foundation (compile + manage your knowledge) and generators (turn that wiki into useful output).

Configuration

Settings are initialized by openkb init, and stored in .openkb/config.yaml:

model: gpt-5.4                   # LLM model (any LiteLLM-supported provider)
language: en                     # Wiki output language
pageindex_threshold: 20          # PDF pages threshold for PageIndex

Model names use provider/model LiteLLM format (OpenAI models can omit the prefix):

Provider	Model example
OpenAI	`gpt-5.4`
Anthropic	`anthropic/claude-sonnet-4-6`
Gemini	`gemini/gemini-3.1-pro-preview`

PageIndex Integration

Long documents are challenging for LLMs due to context limits, context rot, and summarization loss. PageIndex solves this with vectorless, reasoning-based retrieval — building a hierarchical tree index that lets LLMs reason over the index for context-aware retrieval.

PageIndex runs locally by default using the open-source version, with no external dependencies required.

Optional: Cloud Support

For large or complex PDFs, PageIndex Cloud can be used to access additional capabilities, including:

OCR support for scanned PDFs (via hosted VLM models)
Faster structure generation
Scalable indexing for large documents

Set PAGEINDEX_API_KEY in your .env to enable cloud features:

PAGEINDEX_API_KEY=your_pageindex_api_key

Short vs. Long Document Handling

	Short documents	Long documents (PDF ≥ 20 pages)
Convert	markitdown → Markdown	PageIndex → tree index + summaries
Images	Extracted inline (pymupdf)	Extracted by PageIndex
LLM reads	Full text	Document trees
Result	summary + concepts	summary + concepts

Short docs are read in full by the LLM. Long PDFs are indexed by PageIndex into a hierarchical tree with summaries. The LLM reads the tree instead of the full text, enabling better retrieval from long documents.

Compared to Karpathy's Approach

	Karpathy's workflow	OpenKB
Short documents	LLM reads directly	markitdown → LLM reads
Long documents	Context limits, context rot	PageIndex tree index
Supported formats	Web clipper → .md	PDF, Word, PPT, Excel, HTML, text, CSV, .md
Wiki compilation	LLM agent	LLM agent (same)
Q&A	Query over wiki	Wiki + PageIndex retrieval